提问
想到什么，就问什么。
答案里哪个词没懂，圈住它，就从那儿接着问。
从一个问题开始
问下去，直到懂。
第一个问题是根，往下每问一次，就抽出一根新枝。
探索
答案里，藏着下一个问题。
圈住就能接着问，上下文自动带上，不用另起一次对谈。
使用方式
对谈会分枝，不是一条直线。
每一根枝都连着它长出来的地方，回头看就知道当初为什么这么问。
01
选中一个概念
圈住不懂的那个词。背景不用重讲。
02
分出新的追问
就地接着问，上下文自动跟上。
03
保留完整视野
回头看、横着比，全貌一直在。
学习画布
来龙去脉，一眼都在。
问答长成一棵树，越问越密，每根枝从哪儿分出来都看得见。
- 拉远看全局
- 回到任意一支接着走
- 每一问都知道从哪来
记忆是如何形成的？
当神经活动的模式被再次激活，并随时间逐步稳定，记忆就会被强化。
「突触」
突触发生了什么变化？
「再次激活」
为什么主动回忆能强化记忆？
「逐步稳定」
睡眠如何帮助记忆巩固？
画布总结
学习如何改变一个网络
训练不断推动网络给出更贴近样本的预测，而这种变化分散在许多相连的权重上。
每个训练样本产生一次预测，先衡量它与正确结果的差距，再把差距变成修正信号。
核心观点
反向传播负责分配误差，梯度下降则决定每次更新的方向和幅度。
从误差到改进
没有任何一个权重单独保存了整条经验。学习来自许多细小更新的累积，最终改变信息在网络中的传递方式。
总结
整棵树，一键成笔记。
散在各枝的重点，收成一篇 Markdown。
可复制可下载，也能摊在画布边上看。
测验
学没学会，考一考。
一根枝或整棵树都能出题，每题都附出处，错在哪一眼看得见。
题目出自你问过的内容，不是通用题库。
神经网络是如何学习的？
它对比预测和正确答案，再回头调整相关的连接。
测验这条分支
1. 训练时，反向传播最主要的作用是什么？
A. 把每一条训练样本直接存进模型。
B. 计算每个权重对误差产生了多少影响。
C. 决定模型应该忽略哪些样本。
正确答案依据
这条分支说明，反向传播会把预测误差向后传递，并计算每个权重对应的梯度。
不止这一次
关掉页面，思路还在。
每次对谈都留着
下次直接回到那一支，不用重新拼记忆。
导出清晰的 Markdown
总结直接进你的笔记或写作流程。
分享易读的快照
别人看得懂结构，答案和编辑权限不外露。
要走更远，就用 Pro。
免费额度先用着，觉得不够了再订阅。
- 更多追问分支
- 测验与总结
- 清晰的 AI 额度记录
订阅前，你可能想知道。
先给简短答案，详情见下方链接。
有。订阅前可以先用一次性免费 AI 额度体验。 查看方案
额度用来计量提问、追问、生成测验和总结的 AI 用量。付费方案每个计费周期发放固定额度。 对比方案
可以，月付和年付都能在下次续费前取消。 查看定价
更多追问分支，以及从整棵树生成的测验和 Markdown 总结。 查看完整功能